干货|TensorFlow开发环境搭建（Ubuntu16.04+GPU+TensorFlow源码编译）

重磅干货，第一时间送达

在安装时可以选择安装版本是否支持GPU，

同时，安装时可以考虑采用二进制安装，还是源码安装，

二进制安装可以有很多选择，

手头上有两台电脑，

• MacBook Pro (Retina, 13-inch, Early 2015) 
  处理器：2.7 GHz Intel Core i5
  内存：8GB 1867MHz DDR3
  显卡：Intel Iris Graphics 6100 1536MB

• 攀升兄弟组装台式机 
  处理器：英特尔 Core i7-6700 @3.40GHz 四核 
  主板：华硕 B150M-ET M2 SERIES
  内存：8G（威刚DDR4 2801MHz） 
  硬盘：三星 MZ7TE256HMHP-00000（256GB/固态硬盘） 
  显卡：Nvidia GeForce GTX 950(2GB)

其中， 
MacBook Pro采用基于Anaconda的二进制安装方式（仅支持CPU）。Anaconda是一个集成平台，包含大多数机器学习的常用工具，

• NumPy：科学运算包

• SciPy：在NumPy的基础上构建，功能更加强大的科学计算包

• Matplotlib：类似Matlab的绘图工具包

• Scikit-learn：经典机器学习工具包

• Pandas：数据处理和分析工具包（可用于数据读写、清洗、填充和分析等场景） 

采用Anaconda安装方案，一方面MacBook Pro的开发环境很容易搭建（几句命令即可完成），另一方面，基于Anaconda的环境，也可以方便验证简单的机器学习算法。

对于台式机则采用了Ubuntu+GPU+TensorFlow源码编译的方式，进行TensorFlow环境搭建，下面我们着重介绍下这种安装方式。

目前，大多数计算机，包括台式机已没有了光驱，同时，Ubuntu的系统安装盘也不易获得。针对这种情况，我们可以采用U盘来进行安装。具体步骤可以参考：《Ubuntu 16.04 U盘安装图文教程》

对于华硕 B150M-ET主板，UEFI默认是开启的。而UEFI开启会导致第三方驱动安装失败（如显卡驱动，这是源码编译安装GPU支持的TensorFlow，遇到的第一个坑）。具体步骤可以参考：《华硕主板禁用UEFI安全启动》

英伟达的显卡驱动有三种方式：

• apt-get+系统设置安装

• 安装CUDA时顺便安装

• 官方下载最新驱动并安装 

参考：《Ubuntu 16.04安装NVIDIA驱动》

本文采用第一种方案：

sudo apt-get install nvidia-367

然后进入：System Settings->Software&Updates->Additional Drivers->，选择NVIDIA Corporation[Using NVIDIA binary driver]

nvidia-smi #若列出GPU的信息列表，表示驱动安装成功
nvidia-settings #若弹出设置对话框，亦表示驱动安装成功

CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。可以理解成基于GPU并行计算的应用层接口。 

安装Cuda的时候，需要关闭X服务。

sudo service lightdm stop

这时，系统会出现黑屏。此时，同时按住[CTRL + ALT + F1]三个键进入命令行模式（如果不能进入命令行模式，可以参考《alt+ctrl+F1黑屏 ，解决方案》）， 

然后输入[账号]，[密码]后登陆。 

在CUDA的下载目录运行，

sudo sh cuda_xxx.run

要注意的是，在询问是否安装“NVIDIA Accelerated Graphics Driver”可以选择“是”，

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
(y)es/(n)o/(q)uit: y

但在后续出现询问是否安装“X configuration”时，则需要选择“否”，否则之前安装的显卡驱动就白安装了。 

CUDA安装结束后，则可以恢复到图形界面模式，

sudo service lightdm start

到这里，CUDA的安装还不算结束，需要将CUDA相关的内容添加到系统环境变量中。安装过程中Summary提示，

Please make sure that
– PATH includes /usr/local/cuda-8.0/bin
– LD_LIBRARY_PATH includes /usr/local/cuda-8.0/lib64, or, add /usr/local/cuda-8.0/lib64 to /etc/ld.so.conf and run ldconfig as root

CUDA相关的环境变量可以放在~/.bashrc中，

vi ~/.bash_profile

在其中，增加如下两行，

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda-  8.0/lib64:/usr/local/cuda-8.0/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda-8.0

下载cuDNN后进行解压，并执行如下命令：

sudo cp cuda/include/cudnn.h /usr/local/cuda-8.0/include
sudo cp -d cuda/lib64/libcudnn* /usr/local/cuda-8.0/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*

网上说cuda8.0不支持5.0以上的编译器，因此需要降级，把编译器版本降到4.9，但我看了CUDA8.0的安装手册《NVIDIA CUDA INSTALLATION GUIDE FOR LINUX》，并没有发现这一条，《NVIDIA CUDA INSTALLATION GUIDE FOR LINUX》 

在实际使用中，还是将GCC做了降级（PS，在安装时可以先不降级，看看是否会出问题），GCC降级方法如下，

sudo apt-get install g++-4.9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9 20
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++

Bazel官方地址：https://docs.bazel.build/versions/master/install.html 

Bazel可以通过apt-get和下载安装两种方式完成，本文中，采用下载安装的方式实现，

chmod +x PATH_TO_INSTALL.SH
./PATH_TO_INSTALL.SH --user

sudo apt-get install python-numpy swig python-dev python-wheel
sudo apt-get install libcupti-dev
sudo apt-get install git

git clone https://github.com/tensorflow/tensorflow

cd ~/tensorflow
./configure

bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
sudo pip install /tmp/tensorflow_pkg/tensorflow-0.10.0-cp2-none-any.whl

至此，便完成了支持GPU的TensorFlow源码编译。

可以通过如下代码进行测试，

# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

正常测试输出，

Hello, TensorFlow!